machine learning的圣经&handbook，估计得当这个角色很久。

Awesome! 1. 与这本书的缘分竟始于化学系图书馆(没有其它两本，PRML or the Elements，也许因为K Murphy是校友的缘故。。不过C Bishop就在附近的Microsoft啊) 最终在黑五我还是买了这本书，装帧结实漂亮；留白够多，这样可以随意增添喜欢的内容和推导。英Amazon比较厚道，便宜了8镑；美亚还涨价了。 2. 读过的best machine learning book，很漂亮的写法，比如ridge regression，lasso的概率观点（Gaussian likelihood and Gaussian prior，以及Gaussian likelihood and Laplacian prior），对directed graph、undirected graph的尽量使用，对mixture model作为unsupervised learning basis的强调，对SVM epsilon insensitive loss function approach的讲解，从HMM到SSM(Kalman filter)自然衔接，等等。不过既然是probabilistic观点，也就不太适合新手，尤其是不喜欢公式的新手。美中不足的是，习题数量偏少，质量欠佳。 3. 目前（2018.01）我已大约读完，再说一下总体感受，可以用MIT learning theory 课上教授的话概括: “所有的材料都是well organised，如果你觉得乱，那你没看懂”。反正诚意是足够了。我们有时候也不要太勇敢，随便翻两页就觉得作者傻瓜。那些七拼八凑，甚至干脆从英文译过来(还声称是原创)的博客及其作者算什么呢。如果拿物理书比较的话，肯定比不上Landau-Lifshitz的伟大教程的行文，但不会比H Kleinert的path integral (1600页!) 差，我觉得。这本书在goodreads上是评分最高的机器学习书，看到豆瓣的评分也较高，说明语言几乎没有影响大家的品味嘛。 4. 前三次印刷，包括网上的pdf，typos较多，第四次好很多，现在是第6次printing。我在github上写了第一版第四次printing的勘误表（不知大家写过paper没有，有些typos确实可以谅解；又如2010年新版的Feynman&Hibbs Quantum Mechanics and Path Integrals (384页)，其中注释者D Styer改正了1965版的～800处typos），希望对大家有帮助，链接：https://github.com/ks838/Murphy-Machine-Learning-A-Probabilistic-Perspective-Errata-and-Notes-4th-printing 5. 与作者有些交流，2018年底第二版，会让书坡度更缓一些。本人目前在参与第二版的proof reading和feedback，第二版关于deep learning, reinforcement learning有相当章节。语言也从matlab迁移到了python。作者作为一个出色的学者，概括能力确实很强，观点较高，对probabilistic model的理解也是非常深刻。对了，frequentists还是避开第一版吧，chap6不会让你们高兴的。 ------------------------------------------------------------------------------------- 2018.01.18，选了一门课：machine learning and Bayesian inference，教授非常赞赏并大力推荐这本书（还有Koller那本Probabilistic Graphical Models）。这门课跟Murphy这本书风格很像，学院派的味道还是有些的。但想登堂入室，恐怕还是需要一番推导的，而不止于调一调tf、keras、sklearn们。说到sklearn，这本大书比sklearn的user guide内容可更多更深(这个user guide也多次参考了这本书)，结合着看是不错的体验。